BDD100K数据标注工具入门指南：从安装到高效标注实战

共计 1205 个字符，预计需要花费 4 分钟才能阅读完成。

背景与痛点

BDD100K 是 UC Berkeley 发布的大规模自动驾驶数据集，包含 10 万段高清视频，涵盖复杂天气、光照和道路场景。其标注类型包括对象检测（车辆、行人等）、语义分割（可行驶区域）和车道线标注，对自动驾驶算法训练至关重要。

新手常见问题包括：

• 标注效率低：手动点击耗时，平均标注一张图需 5 - 8 分钟
• 质量不稳定：边界框错位、标签误选等错误率高达 15%
• 环境配置复杂：CUDA 版本冲突导致工具启动失败

工具安装与配置

Windows 系统安装

1. 安装 Python 3.8+ 并添加 PATH
2. 执行命令安装依赖：

   pip install torch==1.10.0+cu113 -f https://download.pytorch.org/whl/torch_stable.html
   pip install bdd100k

3. 验证 CUDA 可用性：

   import torch
   print(torch.cuda.is_available())  # 应输出 True

Linux/MacOS 特殊配置

• 解决 libGL 缺失问题：

  sudo apt-get install libgl1-mesa-glx  # Ubuntu
  brew install mesa  # MacOS

核心标注功能详解

三大标注模式对比

1. 对象检测（快捷键 B）
2. 拖拽生成矩形框

3. 按 Tab 键快速切换标签类别

4. 语义分割（快捷键 P）

5. 使用笔刷细化边缘

6. Shift+ 滚轮调整笔刷大小

7. 车道线标注（快捷键 L）

8. 点击生成控制点
9. 按 Enter 完成当前线段

效率提升技巧

• 连续标注模式：按住 Ctrl 键可连续标注同类别对象
• 快速修正：误标时按 Delete 键移除最近标注
• 自动吸附：启用 ”Snap to Edge” 减少手动微调

高级技巧

批量处理配置

修改 config.yaml 实现自动保存：

auto_save:
  interval: 300  # 每 5 分钟自动保存
  max_backups: 3

可视化验证（Matplotlib 示例）

import matplotlib.pyplot as plt
from bdd100k.visualize import show_labels

img = plt.imread("sample.jpg")
labels = load_json("labels.json")
show_labels(img, labels)
plt.savefig("visualized.jpg")  # 保存验证结果

避坑指南

标注一致性保持

• 团队统一标签字典（建议 JSON 格式）
• 定期进行交叉检查（推荐每 100 张抽样 5%）

大图像处理

• 启用 ”Tiled Loading” 分块加载
• 调整 config.yaml 内存参数：

  memory:
    tile_size: 1024
    cache_limit: 4096  # 单位 MB

总结与延伸

效率自测 Checklist

• [] 快捷键使用率>60%
• [] 平均标注时间<3 分钟 / 图
• [] 错误率<5%

进阶学习

1. 格式转换工具：bdd2coco转换脚本
2. 质量分析工具：labelme的 AI 辅助检查模块
3. 自动化标注：尝试 CVAT 的模型集成功能